人群计数作为智能监控领域的一个重要方向,已经成为计算机视觉领域的研究热点。随着深度学习技术的发展,基于卷积神经网络的人群计数算法取得了良好的性能,有效降低了计数误差。但是在实际的应用场景中,现有的算法仍面临许多挑战,如人群尺度变化和背景干扰等。因此,如何更好地提高人群计数精度已成为计算机视觉技术领域急需解决的问题。基于国内外研究现状以及深度学习和计算机视觉等相关理论知识,本文对如何获取更准确的人群计数结果进行了深入研究。首先,介绍了人群计数的基本概念以及相关知识,并对所涉及的特征融合和卷积神经网络相关基础知识进行了简要介绍。其次,对基于多尺度及注意力特征融合的人群计数方法进行了研究。设计了一种串并联结合的扩张卷积结构提取人多尺度特征;采用了卷积注意力模块有效过滤图像中的背景信息,获得有效的注意力特征;通过将串并联扩张卷积结构和卷积注意力模块相结合构造了一种多尺度及注意力特征融合网络,用来生成估计密度图,对密度图积分得到总人数从而实现人群计数。再次,根据卷积神经网络的层次化工作特点,对基于金字塔特征层次融合的人群计数方法进行了研究。利用空间可分离卷积设计了一种尺度感知金字塔特征模块以捕获人多尺度特征;基于尺度感知金字塔特征模块构造了一种层次特征融合模块,提取多层次多尺度特征;通过将前端网络、层次特征融合模块和后端网络级联设计了一种金字塔特征层次融合网络,并基于该网络训练的模型预测计数结果实现人群计数。最后,将所研究的两种人群计数方法与现有人群计数方法进行了相应的实验对比及分析。